本文關(guān)鍵詞：基于人工智能方法加筋土本構(gòu)模型，由筆耕文化傳播整理發(fā)布。

湖南大學；碩士學位論文；基于人工智能方法加筋土本構(gòu)模型；姓名：彭釗；申請學位級別：碩士；專業(yè)：巖土工程；指導教師：陳昌富；20090515；碩ｌｊ學位論文；摘要；加筋土作為一種新型的土工結(jié)構(gòu)物，具有施工簡易、造；由于在土中加入了筋材，土的特性發(fā)生改變，加筋土的；（１）建立了草根加筋土ＢＰ神經(jīng)網(wǎng)絡(luò)本構(gòu)模型，模型；（２）建立了草根加筋士ＲＢＦ神經(jīng)網(wǎng)絡(luò)本構(gòu)模型，并

湖南大學

碩士學位論文

基于人工智能方法加筋土本構(gòu)模型

姓名：彭釗

申請學位級別：碩士

專業(yè)：巖土工程

指導教師：陳昌富

20090515

碩ｌｊ學位論文

摘要

加筋土作為一種新型的土工結(jié)構(gòu)物，具有施工簡易、造價低廉、穩(wěn)定性好的優(yōu)點，為土木工程師提供了多方面經(jīng)濟適用的手段。加筋土技術(shù)已大量廣泛地應(yīng)用于水利、公路、鐵路、港口和建筑等部門的加筋支擋結(jié)構(gòu)、加筋土坡和軟土地基加筋。隨著土工合成材料在現(xiàn)代巖土工程中的應(yīng)用，加筋土技術(shù)的應(yīng)用更加廣泛。因此，對加筋土的理論研究也就更加必要。

由于在土中加入了筋材，土的特性發(fā)生改變，加筋土的本構(gòu)模型難以用先前研究素土得到的本構(gòu)模型來解釋，本文基于人工智能方法利用草根加筋土三軸實驗數(shù)據(jù)訓練智能網(wǎng)絡(luò)，自動生成網(wǎng)絡(luò)參數(shù)，得到了加筋土ＢＰ神經(jīng)網(wǎng)絡(luò)本構(gòu)模型，ＲＢＦ神經(jīng)網(wǎng)絡(luò)本構(gòu)模型，ＡＮＦＩＳ本構(gòu)模型，避免了數(shù)學建模確定函數(shù)參數(shù)的困難。主要成果和結(jié)論有：

（１）建立了草根加筋土ＢＰ神經(jīng)網(wǎng)絡(luò)本構(gòu)模型，模型訓練誤差與檢驗誤差均很小，在訓練和檢驗過程中模型擬合曲線與試驗曲線均很吻合，并用模型擬合結(jié)果修正了由試驗誤差引起的最大主應(yīng)力與草根含量關(guān)系曲線的突變點，表明網(wǎng)絡(luò)具有良好的容錯能力和較高的精度，可以用做草根加筋土的本構(gòu)模型。模型擬合得到的不同草根含量的加筋土應(yīng)力應(yīng)變預(yù)測曲線也滿足最大主應(yīng)力與草根含量關(guān)系曲線，此模型具有良好的泛發(fā)推廣能力。

（２）建立了草根加筋士ＲＢＦ神經(jīng)網(wǎng)絡(luò)本構(gòu)模型，并討論了訓練樣本規(guī)模和誤差控制對網(wǎng)絡(luò)精度的影響。訓練樣本規(guī)模越大，網(wǎng)絡(luò)對數(shù)據(jù)內(nèi)在規(guī)律的學習也越好。訓練誤差過小可能出現(xiàn)過擬合，導致網(wǎng)絡(luò)的容錯能力下降，誤差過大又可能導致網(wǎng)絡(luò)對訓練數(shù)據(jù)內(nèi)在規(guī)律學習不夠。

（３）建立了草根加筋上ＡＮＦＩＳ本構(gòu)模型，模型擬合得到的不同草根含量的加筋土應(yīng)力應(yīng)變預(yù)測曲線光滑，且滿足最大主應(yīng)力與爭根含量關(guān)系曲線，此模型具有良好的泛發(fā)推廣能力。

（４）對比三種糟能網(wǎng)絡(luò)本構(gòu)模型擬合得到的預(yù)測結(jié)果，表明ＡＮＦＩＳ模型具有更好的擬合精度、容錯能力和泛發(fā)能力，說ⅢｊＡＮＦＩＳ強大的推理能力能更好的提取加筋土內(nèi)在規(guī)律。關(guān)鍵詞：加筋土；本構(gòu)模型：ＢＰ神經(jīng)網(wǎng)絡(luò)；ＲＢＦ神經(jīng)網(wǎng)絡(luò)；ＡＮＦＩＳ

Ａｂｓｔｒａｃｔ

Ａｓａｋｉｎｄｏｆｎｅｗｇｅｏｔｅｃｈｎｉｃａｌｃｏｍｐｏｓｉｔｅｍａｔｅｒｉａｌ，ｒｅｉｎｆｏｒｃｅｄｓｏｉｌｈａｓｍａｎｙａｄｖａｎｔａｇｅｓ：Ｗｉｔｈａｇｏｏｄｓｔａｂｉｌｉｔｙ，ｉｔｉｓｅａｓｙｆｏｒｃｏｎｓｔｒｕｃｔｉｏｎａｎｄｃｏｓｔｓｍｕｃｈ１０ｗｅｒｔｂａｎｗｉｔｈｏｔｈｅｒｍａｔｅｒｉａｌｓ，ｔｈｕｓｉｔｐｒｏｖｉｄｅｓｃｉｖｉｌｅｎｇｉｎｅｅｒｓｗｉｔｈｍａｎｙｅｃｏｎｏｍｉｃａｌｍｅａｎｓ．ｒｅｉｎｆｏｒｅｅｄｓｏｉｌｔｅｃｈｎｏｌｏｇｙｈａｓｂｅｅｎｗｉｄｅｌｙａｐｐｌｉｅｄｉｎｒｅｉｎｆｏｒｃｅｄｒｅｔａｉｎｉｎｇｓｔｒｕｃｔｕｒｅｓ，ｒｅｉｎｆｏｒｃｅｄｓｌｏｐｅａｎｄｒｅｉｎｆｏｒｃｅｄｓｏｆｔｇｒｏｕｎｄｉｎｗａｔｅｒｃｏｎｓｅｒｖａｎｃｙ，ｈｉｇｈｗａｙ，ｒａｉｌｗａｙ，ｐｏｒｔａｎｄａｒｃｈｉｔｅｃｔｕｒｅ

ｓｙｎｔｈｅｔｉｃｂｕｉｌｄｉｎ２．Ｗｉｔｈｔｈｅａｐｐｌｉｃａｔｉｏｎｏｆｃｉｖｉｌｅｎｇｉｎｅｅｒｉｎｇｍａｔｅｒｉａｌｓｉｎｍｏｄｅｍｇｅｏｔｅｃｈｎｉｃａｌ

ｅｎｇｉｎｅｅｒｉｎｇ，ｔｈｅａｐｐｌｉｃａｔｉｏｎｏｆｒｅｉｎｆｏｒｃｅｄｓｏｉｌ

ｔｈｅｏｒｅｔｉｃａｌｓｔｕｄｙｏｆｒｅｉｎｆｏｒｃｅｄｓｏｉｌｉＳｅｖｅｎｔｅｃｈｎｏｌｏｇｙｗｉｌｌｂｅｍｏｒｅｗｉｄｅｓｐｒｅａｄ．ｓｏｔｈｅｍｏｒｅｎｅｃｅｓｓａｒｙ．

Ｂｅｃａｕｓｅｒｅｉｎｆｏｒｃｅｍｅｎｔｍａｔｅｒｉａｌｉｓａｄｄｅｄｔｏｔｈｅｅａｒｔｈ，ｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｔｈｅｅａｒｔｈｉｓｃｈａｎｇｅｄ，ａｎｄ

ｒｅｉｎｆｏｒｃｅｄｔｈｅｆｏｒｍｅｒｃｏｎｓｔｉｔｕｔｉｖｅｍｏｄｅｌｔｈｅｓｉｓｉｓｂａｓｅｄｂａｓｅｄｏｎｓｏｉｌｉｓｈａｒｄｌｙｅｎｏｕｇｈｔｏｅｘｐｌａｉｎｍｅｔｈｏｄ，ａｄｏｐｔｓｓｏｉｌ．Ｔｈｉｓｕｐｏｎａｒｔｉｆｉｃｉａｌｉｎｔｅｌｌｉｇｅｎｃｅ

ｇｒａｓｓｒｏｏｔｓ’ｒｅｉｎｆｏｒｃｅｄｓｏｉｌ（ＧＲＳ）ｔｒｉａｘｉａｌ

ｇｅｎｅｒａｔｉｎｇｎｅｔｗｏｒｋ

ＲＢＦｎｅｕｒａｌｔｅｓｔｄａｔａｔｒａｉｎｉｎｇｉｎｔｅｌｌｉｇｅｎｃｅｎｅｔｗｏｒｋ，ｓｅｌｆ∑ａｃｔｐａｒａｍｅｔｅｒ，ａｎｄｇｅｔｓｒｅｉｎｆｏｒｅｅｄｓｏｉｌＢＰｎｅｕｒａｌＡＮＦＩＳｎｅｔｗｏｒｋｃｏｎｓｔｉｔｕｔｉｖｅｍｏｄｅｌ．ｎｅｔｗｏｒｋｃｏｎｓｔｉｔｕｔｉｖｅｍｏｄｅｌ，，ｃｏｎｓｔｉｔｕｔｉｖｅｍｏｄｅｌ，ｔｈｕｓａｖｏｉｄｉｎｇｔｈｅｄｉｆｆｉｃｕｌｔｉｅｓｏｆｍａｔｈｅｍａｔｉｃａｌｍｏｄｅｌｉｎｇｄｅｔｅｒｍｉｎｅｆｕｎｃｔｉｏｎｐａｒａｍｅｔｅｒ．

ａｒｅ（１）ＴｈｅＧＲＳＢＰｎｅｕｒａｌ

ｅｒｒｏｒｎｅｔｗｏｒｋｃｏｎｓｔｉｔｕｔｉｖｅｍｏｄｅｌｔｈｅｔｒａｉｎｉｎｇｅｓｔａｂｌｉｓｈｅｄ，ａｎｄｔｈｅｔｒａｉｎｉｎｇｃｈｅｃｋｉｎｇｐｒｏｃｅｓｓｔｈｅｅｎ－０ｒａｎｄｔｈｅｃｈｅｃｋｉｎｇａｒｅａｌｌｓｍａｌｌ，ｕｎｄｅｒａｎｄｃｕｒｖｅｓｏｆ

ｔｈｅｍｏｄｅｌｓｉｍｕｌａｔｉｎｇａｒｅｉｎａｃｃｏｒｄａｎｃｅｗｉｔｈｅｘｐｅｒｉｍｅｎｔａｌ

ｅｒｒｏｒｓｃｕｒｖｅｓ，ａｎｄｉｔａｌｓｏｍｏｄｉｆｉｅｓｓｔｒｅｓｓｍｕｔａｔｉｏｎｐｏｉｎｔｃａｕｓｅｄｂｙｅｘｐｅｒｉｍｅｎｔａｌ

ｃｏｎｔｅｎｔｒｅｌａｔｉｏｎｏｎｍａｘｉｍｕｍｐｒｉｎｃｉｐｌｅｈａｓａａｎｄｇｒａｓｓｒｏｏｔｈｉｇｈｃｕｒｖｅｓ，ａｎｄｐｒｏｖｅｓｔｈａｔｔｈｉｓ

ｔｏｎｅｔｗｏｒｋｇｏｏｄｆａｕｌｔ—ｔｏｌｅｒａｎｔａｂｉｌｉｔｙａｎｄａｃｃｕｒａｃｙ，ｗｈｉｃｈｅｎａｂｌｅｓｉｔ

ｓｔｒｅｓｓ—ｓｔｒａｉｎｂｅｕｓｅｄｉｎｍａｋｉｎｇＧＲＳｃｏｎｓｔｉｔｕｔｉｖｅｍｏｄｅｌ．ＴｈｅｒｅｉｎｆｏｒｃｅｄｓｏｉｉａｒｅｐｒｅｄｉｃｔｅｄＣＨＩＶｅｏｆｄｉｆｆｅｒｅｎｔｇｒａｓｓｒｏｏｔｃｏｎｔｅｎｔｓｉｍｕｌａｔｅｄｂｙｔｈｅｍｏｄｅｌａｌｓｏｉｎａｃｃｏｒｄａｎｃｅｗｉｔｈｍａｘｉｍｕｍｐｒｉｎｃｉｐｌｅｓｔｒｅｓｓａｎｄｇｒａｓｓｒｏｏｔｃｏｎｔｅｎｔｒｅｌａｔｉｏｎｃｕｒｖｅｓ，ＳＯｔｈｅｍｏｄｅＩｈａｓｇｏｏｄｇｅｎｅｒａｌｉｚａｔｉｏｎａｂｉｌｉｔｙ．

（２）Ｔｈｅ

ｏｎＧＲＳＲＢＦｎｅｕｒａｌｎｅｔｗｏｒｋｃｏｎｓｔｉｔｕｔｉｖｅｍｏｄｅｌａｒｅｅｓｔａｂｌｉｓｈｅｄ，ａｎｄｔｈｅｉｎｆｌｕｃｎｃｅｎｅｔｗｏｒｋｐｒｅｃｉｓｉｏｎｂｙｔｒａｉｎｉｎｇｓａｍｐｌｅｓｃａｌｅａｎｄｅｒｒｏｒ－ｃｏｎｔｒｏｌｌｉｎｇｉｓｄｉｓｃｕｓｓｅｄ．Ｔｈｅｌａｒｇｅｒｔｈｅｔｒａｉｎｉｎｇｓａｍｐｌｅｓｃａｌｅｉｓ，ｔｈｅｂｅｔｔｅｒｉｔｉｓｆｏｒｔｈｅｓｔｕｄｙｏｆｔｈｅｄａｔａｉｎｎｅｒｒｅｇｕｌａｒｉｔｙｂｖｔｈｅｎｅｔｗｏｒｋ，ａｓｗｈｅｎｔｈｅｔｒａｉｎｉｎｇ

ｔｈｅｄｅｃｒｅａｓｅｏｆｆａｕｌｔ—ｔｏｌｅｒａｎｔｅｌＴｏｒｉｓｔｏｏｓｍａｌｌ，ｔＯＯｆｉｔｔｉｎｇｍａｙａｐｐｅａｒ，ｗｈｉｃｈｗｉｌｌｒｅｓｕｌｔｉｎｔｏｏａｂｉｌｉｔｙ；Ｗｈｅｎｌａｒｇｅ，ｉｔｍａｙｌｅａｄｔＯｔｈｅｉｎａｄｅｑｕａｃｙｏｌ’ｔｈｅｓｔｕｄｙｏｆｔｈｅｉｎｎｅｒｒｅｇｕｌａｒｉｔｙｏｆｔｈｅｔｒａｉｎｉｎｇｄａｔａ．

（３）ＴｈｅＡＮＦＩＳｃｏｎｓｔｉｔｕｔｉｖｅｍｏｄｅｌａｒｅｅｓｔａｂｌｉｓｈｅｄ，Ｔｈｅｒｅｉｎｆｏｒｃｅｄｓｏｉｌｓｔｒｅｓｓ－ｓｔｒａｉｎ

碩ｆｊ學位論文

ｐｒｅｄｉｃｔｅｄｃｕｒｖｅｓｏｆｄｉｆｆｅｒｅｎｔｇｒａｓｓｒｏｏｔｃｏｎｔｅｎｔｓｉｍｕｌａｔｅｄｂｙｔｈｅｍｏｄｅｌａｒｅｓｍｏｏｔｈ，ａｎｄａｌｓｏｉｎ

ｃｕｒｖｅｓ，ＳＯａｃｃｏｒｄａｎｃｅｗｉｔｌｌｍａｘｉｍｕｍｐｒｉｎｃｉｐｌｅｓｔｒｅｓｓａｎｄｇｒａｓｓｒｏｏｔｃｏｎｔｅｎｔｒｅｌａｔｉｏｎ

ｍｏｄｅｌｈａｓｇｏｏｄｇｅｎｅｒａｌｉｚａｔｉｏｎａｂｉｌｉｔｙ．ｔｈｅ

（４）Ｔｈｅｃｏｍｐａｒｉｓｏｎｂｅｔｗｅｅｎｐｒｅｄｉｃｔｅｄｒｅｓｕｌｔｓｓｉｍｕｌａｔｅｄ

ａｂｙｔｈｅｔｈｒｅｅｉｎｔｅｌｌｉｇｅｎｃｅｎｅｔｗｏｒｋｃｏｎｓｔｉｔｕｔｉｖｅｍｅｔｈｏｄｓ，ｓｕｇｇｅｓｔｓｔｈａｔＡＮＦＩＳｍｏｄｅｌｈａｓ

ｆａｕｌｔ－ｔｏｌｅｒａｎｔａｂｉｌｉｔｙ

ＡＮＦＩＳｂｅｔｔｅｒｓｉｍｕｌａｔｉｖｅａｃｃｕｒａｃｙ，ａｎｄｇｅｎｅｒａｌｉｚａｔｉｏｎａｂｉｌｉｔｙ，ａｎｄｓｈｏｗｓｔｈｅｓｔｒｏｎｇｒｅａｓｏｎｉｎｇａｂｉｌｉｔｙｏｆＣａｎｂｅｔｔｅｒｅｘｔｒａｃｔｉｎｔｅｒｎａｌｒｅｇｕｌａｔｉｔｙｏｆｒｅｉｎｆｏｒｃｅｄｓｏｉｌ．

ＫｅｙＷｏｒｄｓ：ｒｅｉｎｆｏｒｃｅｄｓｏｉｌ；ｃｏｎｓｔｉｔｕｔｉｖｅ

ＡＮＦＩＳｍｏｄｅｌ；ＢＰｎｅｕｒ．ａｌｎｅｔｗｏｒｋ；ＲＢＦｎｅｕｒａｌｎｅｔｗｏｒｋ；

ＩＶ

湖南大學

學位論文原創(chuàng)性聲明

本人鄭重聲明：所呈交的論文是本人在導師的指導下獨立進行研究所取得的研究成果。除了文中特別加以標注引用的內(nèi)容外，本論文不包含任何其他個人或集體已經(jīng)發(fā)表或撰寫的成果作品。對本文的研究做出重要貢獻的個人和集體，均已在文中以明確方式標明。本人完全意識到本聲明的法律后果由本人承擔。儲躲鰳ｊ同期：≯。１年了月三知

學位論文版權(quán)使用授權(quán)書

本學位論文作者完全了解學校有關(guān)保留、使用學位論文的規(guī)定，同意學校保留并向國家有關(guān)部門或機構(gòu)送交論文的復(fù)印件和電子版，允許論文被查閱和借閱。本人授權(quán)湖南大學可以將本學位論文的全部或部分內(nèi)容編入有關(guān)數(shù)據(jù)庫進行檢索，可以采用影印、縮印或掃描等復(fù)制手段保存和匯編本學位論文。本學位論文屬于

ｌ、保密口，在

２、不保密囤。

（清在以｝二相應(yīng)方框內(nèi)打“√”）年解密后適用本授權(quán)書。

作者簽名：

導師簽名：盔洶日期：加。ｆ年ｊ月以ｆ］嗍加７年歹月彤閂

最新搜索

基于人工智能方法加筋土本構(gòu)模型_圖文

消化系統(tǒng)常見癥狀與體征

賈峰畢業(yè)于什么大學

字母音素表

啦啦啦啦啦啊

2016百校聯(lián)考語文試卷參考答案

科索沃戰(zhàn)爭中南聯(lián)盟空軍裝備的米格- 29飛機,與美軍F-16

ppt圖片不顯示

傲骨 與 傲氣

化和價、相對分子質(zhì)量練習題

  本文關(guān)鍵詞：基于人工智能方法加筋土本構(gòu)模型，由筆耕文化傳播整理發(fā)布。